SemiAnalysis ra mắt chuẩn đánh giá GDPx bao quát 11 lĩnh vực ứng dụng tác nhân AI

Ngày 2 tháng 11 năm 2026, SemiAnalysis công bố GDPx, một chuẩn đánh giá năng lực tác nhân AI tổng quát trên 11 lĩnh vực chuyên môn, trong một thông báo do Max Kan, Andrew Megalaa và Dylan Patel soạn. Claude Opus 5.5 của Anthropic dẫn đầu bảng xếp hạng đầu tiên với điểm số 12,0%.

Bảng xếp hạng phiên bản 1.0

Trang web GDPx chính thức cho biết phiên bản đầu tiên gồm 206 tác vụ được xây dựng cùng 14 đối tác dữ liệu chuyên biệt; bảng xếp hạng của trang có 13 mô hình. Claude Opus 5.5 đứng đầu với chi phí trung bình 51,41 USD mỗi tác vụ và 548K token đầu ra. Gemini 4 Carbon của Google đứng thứ hai với 10,9% và 16,29 USD mỗi tác vụ, còn GPT-6 Astra của OpenAI xếp thứ ba với 9,6% và 53,99 USD mỗi tác vụ. Muse Wonder Full của Meta đứng thứ tư với 9,0%, nhưng không có giá công khai; GLM 5.3 của Z.ai xếp thứ 13 với 2,7%.

SemiAnalysis mô tả GDPx là một chuẩn đánh giá thực sự ở cấp độ tiên phong, chính vì điểm số cao nhất vẫn còn thấp đến vậy. Điểm GDPx tổng quát là trung bình kết quả pass@1 của mỗi mô hình qua ba lần thử, tính trọng số ngang nhau cho mọi lĩnh vực và áp dụng phương pháp chấm điểm dự kiến của từng tác vụ, theo dạng nhị phân hoặc liên tục.

Thiết kế, đối tác và phương pháp luận

Các lĩnh vực gồm thiết kế chip, an ninh mạng, sinh học, tài chính, pháp lý, giao dịch định lượng, tự cải thiện đệ quy (RSI), thiết kế phần cứng, khoa học vật liệu, căn chỉnh và kỹ thuật phần mềm; SemiAnalysis cho biết họ chủ ý không đưa vào các ngành như chính phủ, bất động sản và bảo hiểm. Các tác giả cho rằng nghìn tỷ USD doanh thu AI đầu tiên sẽ tập trung ở những lĩnh vực có thể triển khai trí tuệ tiên phong với tỷ suất hoàn vốn cao, đồng thời cho rằng việc xây dựng một chuẩn đánh giá tổng quát dựa trên tỷ trọng GDP hoặc hệ phân loại nghề nghiệp SOC/O*NET là sai lầm.

Mỗi lĩnh vực được xây dựng cùng các đối tác chuyên biệt: Aria, Arcverex và Ergodex trong thiết kế chip; Arithmetic trong an ninh mạng; Latch Bio trong sinh học; Living Context trong tài chính; Chakra trong pháp lý; Third Moment trong giao dịch định lượng; Extrapolate trong RSI; Beautiful Machines trong thiết kế phần cứng; ValenceForge và Emulated trong khoa học vật liệu; Fleet trong căn chỉnh; và Datacurve trong kỹ thuật phần mềm.

Thời gian mặc định cho mỗi tác vụ là tám giờ. Khi có thể, mô hình chạy trong môi trường thực thi gốc của mình — Claude Code dành cho Opus 5.5, Codex dành cho GPT-6 Astra và Antigravity dành cho Gemini 4 Carbon — còn OpenCode được dùng làm phương án dự phòng. SemiAnalysis yêu cầu mọi đối tác phải vượt qua quy trình kiểm định chất lượng tự động ngay lần đầu, với sai sót nhiều nhất chỉ ở mức nhỏ; họ cho biết quy trình tương tự phát hiện gần 50% tác vụ trong chuẩn đánh giá Terminal Bench 4.0 bị lỗi.

Những phê bình đối với GDPval

Thông báo giới thiệu GDPx như phiên bản kế nhiệm GDPval của OpenAI, được phát hành ngày 25 tháng 9 năm 2025. Theo các tác giả, GDPval vẫn là chuẩn đánh giá đa dụng phổ biến nhất trên các trang thông tin về những lần ra mắt mô hình lớn. Họ phê bình các tác vụ của GDPval vì không có tính tương tác, khi toàn bộ ngữ cảnh cần thiết đều được cung cấp sẵn trong câu lệnh; đồng thời dẫn số liệu cho thấy mức độ đồng thuận giữa các chuyên gia đánh giá là 71% trên tập con chuẩn vàng của GDPval. Ngược lại, mỗi tác vụ GDPx đều đi kèm một môi trường thực tế: chẳng hạn, 24 tác vụ tài chính mô phỏng một giao dịch vốn cổ phần tư nhân có thật, trong đó một quỹ mua khoảng 62% cổ phần của một nhà sản xuất đồ ăn nhẹ với giá 880 triệu USD cộng thêm khoản thanh toán bổ sung tùy theo kết quả; giao dịch được tái dựng từ khoảng 4.000 tệp đã ẩn danh.

Kết quả theo lĩnh vực và những hạn chế được nêu

SemiAnalysis cho biết Claude Opus 5.5 là mô hình toàn diện tốt nhất, dẫn đầu ở các lĩnh vực giao dịch định lượng, thiết kế phần cứng và thiết kế chip; Gemini 4 Carbon là mô hình sinh học tốt nhất, đồng thời nhỉnh hơn đối thủ đôi chút trong kỹ thuật phần mềm; còn GPT-6 Astra chiến thắng ở RSI và khoa học vật liệu. SemiAnalysis lưu ý rằng điểm tổng thể của Opus 5.5 và GPT-6 Astra bị kéo giảm bởi các bộ phân loại an toàn trong những lĩnh vực an ninh mạng, sinh học và căn chỉnh; đồng thời đánh giá Muse Wonder Full của Meta là mô hình an ninh mạng tốt nhất hiện có, với khoảng cách đáng kể so với các mô hình khác.

Các tác vụ tài chính và pháp lý khó đến mức mọi mô hình đều đạt điểm 0 theo cách chấm nhị phân dự kiến, vì vậy SemiAnalysis báo cáo điểm một phần trung bình cho hai lĩnh vực này. Trong giao dịch định lượng, 70 trong số 111 lượt chạy được chấm điểm có kết quả kém hơn chiến lược tham chiếu mà tác nhân được yêu cầu đánh bại; không mô hình nào giải được tác vụ aapl-target-winsorization công khai. Trong các tác vụ an ninh mạng về căn chỉnh của Fleet, 196 trong số 200 lượt chạy vi phạm ít nhất một quy tắc hành vi, còn 173 lượt vi phạm một quy tắc được đánh giá là lệch chuẩn nghiêm trọng; trong các tác vụ chăm sóc sức khỏe, 19 trong số 100 lượt chạy đạt điểm cao hơn 0. Về chi phí, SemiAnalysis xếp GPT-6 Luna và DeepSeek ở nhóm có tỷ lệ chi phí-hiệu năng thấp nhất, Opus ở nhóm cao nhất, còn OpenAI ở khoảng giữa.

SemiAnalysis cho biết GDPx được thiết kế như một chuẩn đánh giá liên tục phát triển, với các phiên bản mới dự kiến ra mắt mỗi 3–6 tháng; đồng thời liệt kê gdpx@semianalysis.com dành cho các công ty dữ liệu muốn tham gia và các phòng thí nghiệm muốn đánh giá những phiên bản phát hành trong tương lai.